Spring学习笔记--IoC

IoC && DI

  • IoC:Inversion of Control(控制反转)
  • DI:Dependency Injection(依赖注入)

IoC容器

ApplicationContext && BeanFactory

  • ApplicationContext是BeanFactory的子接口,在实例化上下文时就实例化所有单例的bean
  • ConfigurableApplicationContext是ApplicationContext的子类,新增了refresh()和close()方法。
  • ApplicationContext的两个实现子类:
    ClassPathXmlApplicationContext :从类路径下寻找文件
    FileSystemXmlApplicationContext:从文件系统中加载文件
    WebApplicationContext:从web的根目录下完成初始化工作
  • getBean()方法:参数为Class时要保证配置文件中bean唯一

配置Bean-基于xml方式

xml中通过 bean 节点配置 bean

  • id属性:唯一标识
  • class属性:全类名

依赖注入的三种方式

  • 属性注入(通过property节点注入)
    • name 对应的setter方法
    • ref 引用的其他bean
    • value 赋值(基本数据类型及其封装类型,String类型,还有特殊字符时使用< ![CDATA[]]>)
  • 构造器注入(通过constructor-arg节点注入)
    • index 构造器参数列表中的顺序(从0开始)
    • type 构造器中参数的类型
  • 工厂方法注入(很少使用)

注入属性值细节

  • 注入null值 使用专用< null/>元素标签为Bean注入null值
  • 集合属性 在 Spring中可以通过一组内置的 xml 标签(例如: < list>, < set> 或 < map>) 来配置集合属性
  • 集合标签定义独立的集合Bean 使用utility scheme定义集合
  • 使用p命名空间简化xml配置

Bean的自动装配

  • 自动装配 Bean. 需要做的仅仅是在 < bean> 的 autowire 属性里指定自动装配的模式。
  • byType(根据类型自动装配): 若 IOC 容器中有多个与目标 Bean 类型一致的 Bean. 在这种情况下, Spring 将无法判定哪个 Bean 最合适该属性, 所以不能执行自动装配。
  • byName(根据名称自动装配): 必须将目标 Bean 的名称和属性名设置的完全相同。
  • constructor(通过构造器自动装配): 当 Bean 中存在多个构造器时, 此种自动装配方式将会很复杂. 不推荐使用

Bean之间的关系

  1. 继承
    通过在bean中添加属性parent指定继承的父bean,也可以忽略父 bean 的 class 属性, 此时 abstract属性 必须设为 true
  2. 依赖
    用户通过 depends-on 属性设定 Bean 前置依赖的Bean,前置依赖的 Bean 会在本 Bean 实例化之前创建好

Bean的作用域

在 Spring 中, 可以在 < bean> 元素的 scope 属性里设置 Bean 的作用域。

类别说明
singleton在Spring IoC容器中仅存在一个Bean实例
prototype每次调用getBean()时返回新的Bean实例
request每次HTTP请求时创建新的Bean实例,仅适用于WebApplicationContext环境
session同一个HTTP Session共享同一个Bean,仅适用于WebApplicationContext环境

使用外部配置文件配置Bean

在beans中添加context命名空间
在配置文件中配置如下:

<context:property-placeholder
      location="classpath:db.properties" />

通过 ${var} 的获取var同名变量的值。

Spring表达式语言:SpEL

SpEL 使用 #{…} 作为定界符

这里写图片描述
这里写图片描述这里写图片描述
这里写图片描述
这里写图片描述

IoC中Bean的生命周期

Bean的生命周期

配置Bean-基于注解方式

组件扫描:Spring能够从classpath下自动扫描,侦测和实例化具有特定注解的组件。

  • 第一步:标识组件
    特定组件包括:
    1. @Component 基本标识,标识一个受Spring管理的组件
    2. @Respository 标识持久化层组件
    3. @Service 标识业务层组件
    4. @Controller 标识表现层组件
      Spring 有默认的命名策略: 使用非限定类名, 第一个字母小写. 也可以在注解中通过 value 属性值标识组件的名称
  • 第二步:在配置文件中声明< context:component-scan>
    • base-package 属性指定一个需要扫描的基类包,Spring 容器将会扫描这个基类包里及其子包中的所有类。
    • 当需要扫描多个包时, 可以使用逗号分隔
    • 如果仅希望扫描特定的类而非基包下的所有类,可使用 resource-pattern 属性过滤特定的类。如respostory/.class 表示扫描respostory子包下的所有类
    • < context:include-filter> 子节点表示要包含的目标类,需要配置< use-default-filters=”true”>
    • < context:exclude-filter> 子节点表示要排除在外的目标类
    • -
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值